Numpy | 12 数组操作

Posted summer-skr--blog

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Numpy | 12 数组操作相关的知识,希望对你有一定的参考价值。

Numpy 中包含了一些函数用于处理数组,大概可分为以下几类:

  • 修改数组形状
  • 翻转数组
  • 修改数组维度
  • 连接数组
  • 分割数组
  • 数组元素的添加与删除

 

 

一、修改数组形状

函数描述
reshape 不改变数据的条件下修改形状
flat 数组元素迭代器
flatten 返回一份数组拷贝,对拷贝所做的修改不会影响原始数组
ravel 返回展开数组

numpy.reshape

numpy.reshape 函数可以在不改变数据的条件下修改形状

 numpy.reshape(arr, newshape, order=C)
  • arr:要修改形状的数组

  • newshape:整数或者整数数组,新的形状应当兼容原有形状

  • order:‘C‘ -- 按行,‘F‘ -- 按列,‘A‘ -- 原顺序,‘k‘ -- 元素在内存中的出现顺序。

import numpy as np

a = np.arange(8)
print(原始数组:)
print(a)
print(
)

b = a.reshape(4, 2)
print(修改后的数组:)
print(b)

输出结果如下:

原始数组:
[0 1 2 3 4 5 6 7]

修改后的数组:
[[0 1]
 [2 3]
 [4 5]
 [6 7]]

numpy.ndarray.flat

numpy.ndarray.flat 是一个数组元素迭代器

import numpy as np

a = np.arange(9).reshape(3, 3)
print(原始数组:)
for row in a:
    print(row)

print(‘ ‘)
# 对数组中每个元素都进行处理,可以使用flat属性,该属性是一个数组元素迭代器 print(迭代后的数组:) for element in a.flat: print(element)

输出结果如下:

原始数组:
[0 1 2]
[3 4 5]
[6 7 8]

迭代后的数组: 0 1 2 3 4 5 6 7 8

numpy.ndarray.flatten

numpy.ndarray.flatten 返回一份数组拷贝,对拷贝所做的修改不会影响原始数组。

ndarray.flatten(order=C)

参数说明:

  • order:‘C‘ -- 按行,‘F‘ -- 按列,‘A‘ -- 原顺序,‘K‘ -- 元素在内存中的出现顺序。
import numpy as np

a = np.arange(8).reshape(2, 4)

print(原数组:)
print(a)
print(
)

# 默认按行
print(展开的数组:)
print(a.flatten())
print(
)

print(以 F 风格顺序展开的数组:)
print(a.flatten(order=‘F‘))

输出结果如下:

原数组:
[[0 1 2 3]
 [4 5 6 7]]

展开的数组:
[0 1 2 3 4 5 6 7]

 F 风格顺序展开的数组:
[0 4 1 5 2 6 3 7]

numpy.ravel

numpy.ravel() 展平的数组元素,顺序通常是"C风格",返回的是数组视图(view,有点类似 C/C++引用reference的意味),修改会影响原始数组。

该函数接收两个参数:

numpy.ravel(a, order=C)

参数说明:

  • order:‘C‘ -- 按行,‘F‘ -- 按列,‘A‘ -- 原顺序,‘K‘ -- 元素在内存中的出现顺序。
import numpy as np

a = np.arange(8).reshape(2, 4)

print(原数组:)
print(a)
print(
)

print(调用 ravel 函数之后:)
print(a.ravel())
print(
)

print(以 F 风格顺序调用 ravel 函数之后:)
print(a.ravel(order=F))

输出结果如下:

原数组:
[[0 1 2 3]
 [4 5 6 7]]

调用 ravel 函数之后:
[0 1 2 3 4 5 6 7]

 F 风格顺序调用 ravel 函数之后:
[0 4 1 5 2 6 3 7]

二、翻转数组

函数描述
transpose 对换数组的维度
ndarray.T self.transpose() 相同
rollaxis 向后滚动指定的轴
swapaxes 对换数组的两个轴

numpy.transpose

numpy.transpose 函数用于对换数组的维度,格式如下:

numpy.transpose(arr, axes)

参数说明:

  • arr:要操作的数组
  • axes:整数列表,对应维度,通常所有维度都会对换。
import numpy as np
 
a = np.arange(12).reshape(3,4)
 
print (原数组:)
print (a )
print (
)
 
print (对换数组:)
print (np.transpose(a))

输出结果如下:

原数组:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]


对换数组:
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]

numpy.ndarray.T

类似 numpy.transpose:

import numpy as np
 
a = np.arange(12).reshape(3,4)
 
print (原数组:)
print (a)
print (
)
 
print (转置数组:)
print (a.T)

输出结果如下:

原数组:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

转置数组:
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]]

numpy.rollaxis

numpy.rollaxis 函数向后滚动特定的轴到一个特定位置,格式如下:

numpy.rollaxis(arr, axis, start)

参数说明:

  • arr:数组
  • axis:要向后滚动的轴,其它轴的相对位置不会改变
  • start:默认为零,表示完整的滚动。会滚动到特定位置。
import numpy as np

# 创建了三维的 ndarray
a = np.arange(8).reshape(2, 2, 2)

print(原数组:)
print(a)
print(
)

# 将轴 2 滚动到轴 0(宽度到深度)
print(调用 rollaxis 函数:)
print(np.rollaxis(a, 2))
print(
)

# 将轴 0 滚动到轴 1:(宽度到高度)
print(调用 rollaxis 函数:)
print(np.rollaxis(a, 2, 1))

输出结果如下:

原数组:
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]


调用 rollaxis 函数:
[[[0 2]
  [4 6]]

 [[1 3]
  [5 7]]]


调用 rollaxis 函数:
[[[0 2]
  [1 3]]

 [[4 6]
  [5 7]]]

numpy.swapaxes

numpy.swapaxes 函数用于交换数组的两个轴,格式如下:

numpy.swapaxes(arr, axis1, axis2)
  • arr:输入的数组
  • axis1:对应第一个轴的整数
  • axis2:对应第二个轴的整数
import numpy as np
 
# 创建了三维的 ndarray
a = np.arange(8).reshape(2,2,2)
 
print (原数组:)
print (a)
print (
)

# 现在交换轴 0(深度方向)到轴 2(宽度方向)
print (调用 swapaxes 函数后的数组:)
print (np.swapaxes(a, 2, 0))

输出结果如下:

原数组:
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]


调用 swapaxes 函数后的数组:
[[[0 4]
  [2 6]]

 [[1 5]
  [3 7]]]

三、修改数组维度

维度描述
broadcast 产生模仿广播的对象
broadcast_to 将数组广播到新形状
expand_dims 扩展数组的形状
squeeze 从数组的形状中删除一维条目

numpy.broadcast

numpy.broadcast 用于模仿广播的对象,它返回一个对象,该对象封装了将一个数组广播到另一个数组的结果。该函数使用两个数组作为输入参数

 

import numpy as np

x = np.array([[1], [2], [3]])
y = np.array([4, 5, 6])
print(数组x:)
print(x)
print(
)

print(数组y:)
print(y)
print(
)

# 对 y 广播 x
b = np.broadcast(x, y)
# 它拥有 iterator 属性,基于自身组件的迭代器元组
print(b)
print(对 y 广播 x:)
r, c = b.iters
# shape 属性返回广播对象的形状
print(广播对象的形状:,b.shape)

# Python3.x 为 next(context) ,Python2.x 为 context.next()
print(next(r), next(c))
print(next(r), next(c))
print(next(r), next(c))
print(next(r), next(c))
print(
)



# 手动使用 broadcast 将 x 与 y 相加
b = np.broadcast(x, y)
c = np.empty(b.shape)

print(手动使用 broadcast 将 x 与 y 相加后的形状:,c.shape,
)


c.flat = [u + v for (u, v) in b]
print(调用 flat 函数:)
print(c)
print(
)

# 获得了和 NumPy 内建的广播支持相同的结果
print(x 与 y 的和:)
print(x + y)

输出结果为:

数组x:
[[1]
[2]
[3]]


数组y:
[4 5 6]


<numpy.broadcast object at 0x000001F1BA684530>
对 y 广播 x:
广播对象的形状: (3, 3)
1 4
1 5
1 6
2 4


手动使用 broadcast 将 x 与 y 相加后的形状: (3, 3)

调用 flat 函数:
[[5. 6. 7.]
[6. 7. 8.]
[7. 8. 9.]]


x 与 y 的和:
[[5 6 7]
[6 7 8]
[7 8 9]]

 

numpy.broadcast_to

numpy.broadcast_to 函数将数组广播到新形状。它在原始数组上返回只读视图。 它通常不连续。 如果新形状不符合 NumPy 的广播规则,该函数可能会抛出ValueError。

numpy.broadcast_to(array, shape, subok)
import numpy as np
 
a = np.arange(4).reshape(1,4)
 
print (原数组:)
print (a)
print (
)
 
print (调用 broadcast_to 函数之后:)
print (np.broadcast_to(a,(4,4)))

输出结果为:

原数组:
[[0 1 2 3]]

调用 broadcast_to 函数之后:
[[0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]
 [0 1 2 3]]

numpy.expand_dims

numpy.expand_dims 函数通过在指定位置插入新的轴来扩展数组形状,函数格式如下:

 numpy.expand_dims(arr, axis)

参数说明:

  • arr:输入数组
  • axis:新轴插入的位置
import numpy as np

x = np.array(([1, 2], [3, 4]))

print(数组 x:)
print(x)
print(
)

y = np.expand_dims(x, axis=0)
print(数组 y:)
print(y)
print(
)

print(数组 x 和 y 的形状:,x.shape, y.shape)
print(
)

# 在位置 1 插入轴
y = np.expand_dims(x, axis=1)
print(数组 x 在位置 1 插入轴之后的数组 y:)
print(y)
print(
)

print(x.ndim 和 y.ndim:,x.ndim, y.ndim)
print(
)

print(x.shape 和 y.shape:,x.shape, y.shape)import numpy as np

x = np.array(([1, 2], [3, 4]))

print(数组 x:)
print(x)
print(
)

y = np.expand_dims(x, axis=0)
print(数组 y:)
print(y)
print(
)

print(数组 x 和 y 的形状:,x.shape, y.shape)
print(
)

# 在位置 1 插入轴
y = np.expand_dims(x, axis=1)
print(数组 x 在位置 1 插入轴之后的数组 y:)
print(y)
print(
)

print(x.ndim 和 y.ndim:,x.ndim, y.ndim)
print(
)

print(x.shape 和 y.shape:,x.shape, y.shape)

输出结果为:

数组 x:
[[1 2]
[3 4]]


数组 y:
[[[1 2]
[3 4]]]


数组 x 和 y 的形状: (2, 2) (1, 2, 2)

 

数组 x 在位置 1 插入轴之后的数组 y:
[[[1 2]]

 

[[3 4]]]

 

x.ndim 和 y.ndim: 2 3


x.shape 和 y.shape: (2, 2) (2, 1, 2)

 

numpy.squeeze

numpy.squeeze 函数从给定数组的形状中删除一维的条目,函数格式如下:

numpy.squeeze(arr, axis)

参数说明:

  • arr:输入数组
  • axis:整数或整数元组,用于选择形状中一维条目的子集
import numpy as np
 
x = np.arange(9).reshape(1,3,3)
print (数组 x:)
print (x)
print (
)
y
= np.squeeze(x) print (数组 y:) print (y) print ( ) print (数组 x 和 y 的形状:) print (x.shape, y.shape)

输出结果为:

数组 x
[[[0 1 2]
  [3 4 5]
  [6 7 8]]]

数组 y
[[0 1 2]
 [3 4 5]
 [6 7 8]]

数组 x  y 的形状:
(1, 3, 3) (3, 3)

四、连接数组

函数描述
concatenate 连接沿现有轴的数组序列
stack 沿着新的轴加入一系列数组。
hstack 水平堆叠序列中的数组(列方向)
vstack 竖直堆叠序列中的数组(行方向)

numpy.concatenate

numpy.concatenate 函数用于沿指定轴连接相同形状的两个或多个数组,格式如下:

numpy.concatenate((a1, a2, ...), axis)

参数说明:

  • a1, a2, ...:相同类型的数组
  • axis:沿着它连接数组的轴,默认为 0
import numpy as np
 
a = np.array([[1,2],[3,4]])
print (第一个数组:)
print (a)
print (
)
b
= np.array([[5,6],[7,8]]) print (第二个数组:) print (b) print ( )
# 两个数组的维度相同 print (沿轴 0 连接两个数组:) print (np.concatenate((a,b))) print ( ) print (沿轴 1 连接两个数组:) print (np.concatenate((a,b),axis = 1))

输出结果为:

第一个数组:
[[1 2]
 [3 4]]

第二个数组:
[[5 6]
 [7 8]]

沿轴 0 连接两个数组:
[[1 2]
 [3 4]
 [5 6]
 [7 8]]

沿轴 1 连接两个数组:
[[1 2 5 6]
 [3 4 7 8]]

numpy.stack

numpy.stack 函数用于沿新轴连接数组序列,格式如下:

numpy.stack(arrays, axis)

参数说明:

  • arrays相同形状的数组序列
  • axis:返回数组中的轴,输入数组沿着它来堆叠
import numpy as np
 
a = np.array([[1,2],[3,4]])
print (第一个数组:)
print (a)
print (
)
b
= np.array([[5,6],[7,8]]) print (第二个数组:) print (b) print ( ) print (沿轴 0 堆叠两个数组:) print (np.stack((a,b),0)) print ( ) print (沿轴 1 堆叠两个数组:) print (np.stack((a,b),1))

输出结果如下:

第一个数组:
[[1 2]
 [3 4]]

第二个数组:
[[5 6]
 [7 8]]

沿轴 0 堆叠两个数组:
[[[1 2]
  [3 4]]

[[5 6] [7 8]]] 沿轴 1 堆叠两个数组: [[[1 2] [5 6]] [[3 4] [7 8]]]

numpy.hstack

numpy.hstack 是 numpy.stack 函数的变体,它通过水平堆叠来生成数组。

import numpy as np
 
a = np.array([[1,2],[3,4]])
print (第一个数组:)
print (a)
print (
)
b
= np.array([[5,6],[7,8]]) print (第二个数组:) print (b) print ( ) print (水平堆叠:) c = np.hstack((a,b)) print (c) print ( )

输出结果如下:

第一个数组:
[[1 2]
 [3 4]]

第二个数组:
[[5 6]
 [7 8]]

水平堆叠:
[[1 2 5 6]
 [3 4 7 8]]

numpy.vstack

numpy.vstack 是 numpy.stack 函数的变体,它通过垂直堆叠来生成数组。

import numpy as np
 
a = np.array([[1,2],[3,4]])
print (第一个数组:)
print (a)
print (
)
b
= np.array([[5,6],[7,8]]) print (第二个数组:) print (b) print ( ) print (竖直堆叠:) c = np.vstack((a,b)) print (c)

输出结果为:

第一个数组:
[[1 2]
 [3 4]]

第二个数组:
[[5 6]
 [7 8]]

竖直堆叠:
[[1 2]
 [3 4]
 [5 6]
 [7 8]]

五、分割数组

函数数组及操作
split 将一个数组分割为多个子数组
hsplit 将一个数组水平分割为多个子数组(按列)
vsplit 将一个数组垂直分割为多个子数组(按行)

numpy.split

numpy.split 函数沿特定的轴将数组分割为子数组,格式如下:

numpy.split(ary, indices_or_sections, axis)

参数说明:

  • ary:被分割的数组
  • indices_or_sections:如果是一个整数,就用该数平均切分;如果是一个数组,为沿轴切分的位置(左开右闭)
  • axis:沿着哪个维度进行切向,默认为0,横向切分。为1时,纵向切分
import numpy as np
 
a = np.arange(9)
print (第一个数组:)
print (a)
print (
)
 
print (将数组分为三个大小相等的子数组:)
b = np.split(a,3)
print (b)
print (
)
 
print (将数组在一维数组中表明的位置分割:)
b = np.split(a,[4,7])
print (b)

输出结果为:

第一个数组:
[0 1 2 3 4 5 6 7 8]

将数组分为三个大小相等的子数组:
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]

将数组在一维数组中表明的位置分割:
[array([0, 1, 2, 3]), array([4, 5, 6]), array([7, 8])]

numpy.hsplit

numpy.hsplit 函数用于水平分割数组,通过指定要返回的相同形状的数组数量来拆分原数组。

import numpy as np
 
harr = np.floor(10 * np.random.random((2, 6)))
print (原array:)
print(harr)
 
print (拆分后:)
print(np.hsplit(harr, 3))

输出结果为:

array
[[4. 7. 6. 3. 2. 6.]
 [6. 3. 6. 7. 9. 7.]]
拆分后: [array([[4., 7.], [6., 3.]]), array([[6., 3.], [6., 7.]]), array([[2., 6.], [9., 7.]])]

numpy.vsplit

numpy.vsplit 沿着垂直轴分割,其分割方式与hsplit用法相同。

import numpy as np
 
a = np.arange(16).reshape(4,4)
 
print (第一个数组:)
print (a)
print (
)
 
print (竖直分割:)
b = np.vsplit(a,2)
print (b)

输出结果为:

第一个数组:
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

竖直分割:
[array([[0, 1, 2, 3],
       [4, 5, 6, 7]]), array([[ 8,  9, 10, 11],
       [12, 13, 14, 15]])]

六、数组元素的添加与删除

函数元素及描述
resize 返回指定形状的新数组
append 将值添加到数组末尾
insert 沿指定轴将值插入到指定下标之前
delete 删掉某个轴的子数组,并返回删除后的新数组
unique 查找数组内的唯一元素

numpy.resize

numpy.resize 函数返回指定大小的新数组。

如果新数组大小大于原始大小,则包含原始数组中的元素的副本。

numpy.resize(arr, shape)

参数说明:

  • arr:要修改大小的数组
  • shape:返回数组的新形状
import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(第一个数组:)
print(a)
print(
)

print(第一个数组的形状:,a.shape)
print(
)

b = np.resize(a, (3, 2))
print(第二个数组:)
print(b)
print(
)

print(第二个数组的形状:,b.shape)
print(
)

# 要注意 a 的第一行在 b 中重复出现,因为尺寸变大了
print(新第二个数组的大小:)
b = np.resize(a, (3, 3))
print(b)

输出结果为:

第一个数组:
[[1 2 3]
[4 5 6]]


第一个数组的形状: (2, 3)

 

第二个数组:
[[1 2]
[3 4]
[5 6]]


第二个数组的形状: (3, 2)


新第二个数组的大小:
[[1 2 3]
[4 5 6]
[1 2 3]]

numpy.append

numpy.append 函数在数组的末尾添加值。 追加操作会分配整个数组,并把原来的数组复制到新数组中。 此外,输入数组的维度必须匹配,否则将生成ValueError。

append 函数返回的始终是一个一维数组。

numpy.append(arr, values, axis=None)

参数说明:

  • arr:输入数组
  • values:要向arr添加的值,需要和arr形状相同(除了要添加的轴)
  • axis:默认为 None。当axis无定义时,是横向加成,返回总是为一维数组!

        当axis有定义的时候,分别为0和1的时候。当axis有定义的时候,分别为0和1的时候(列数要相同)。当axis为1时,数组是加在右边(行数要相同)。

import numpy as np
 
a = np.array([[1,2,3],[4,5,6]])
 
print (第一个数组:)
print (a)
print (
)
 
print (向数组添加元素:)
print (np.append(a, [7,8,9]))
print (
)
 
print (沿轴 0 添加元素:)
print (np.append(a, [[7,8,9]],axis = 0))
print (
)
 
print (沿轴 1 添加元素:)
print (np.append(a, [[5,5,5],[7,8,9]],axis = 1))

输出结果为:

第一个数组:
[[1 2 3]
 [4 5 6]]


向数组添加元素:
[1 2 3 4 5 6 7 8 9]


沿轴 0 添加元素:
[[1 2 3]
 [4 5 6]
 [7 8 9]]


沿轴 1 添加元素:
[[1 2 3 5 5 5]
 [4 5 6 7 8 9]]

numpy.insert

numpy.insert 函数在给定索引之前,沿给定轴在输入数组中插入值。

如果值的类型转换为要插入,则它与输入数组不同。 插入没有原地的,函数会返回一个新数组。 此外,如果未提供轴,则输入数组会被展开。

numpy.insert(arr, obj, values, axis)

参数说明:

  • arr:输入数组
  • obj:在其之前插入值的索引
  • values:要插入的值
  • axis:沿着它插入的轴,如果未提供,则输入数组会被展开
import numpy as np

a = np.array([[1, 2], [3, 4], [5, 6]])
print(第一个数组:)
print(a)
print(
)

print(未传递 Axis 参数。 在插入之前输入数组会被展开。)
print(np.insert(a, 3, [11, 12]))
print(
)

print(传递了 Axis 参数。 会广播值数组来配输入数组。)

print(沿轴 0 广播:)
print(np.insert(a, 1, [11], axis=0))
print(
)

print(沿轴 1 广播:)
print(np.insert(a, 1, 11, axis=1))

输出结果如下:

第一个数组:
[[1 2]
 [3 4]
 [5 6]]


未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 1  2  3 11 12  4  5  6]


传递了 Axis 参数。 会广播值数组来配输入数组。
沿轴 0 广播:
[[ 1  2]
 [11 11]
 [ 3  4]
 [ 5  6]]


沿轴 1 广播:
[[ 1 11  2]
 [ 3 11  4]
 [ 5 11  6]]

numpy.delete

numpy.delete 函数返回从输入数组中删除指定子数组的新数组。 与 insert() 函数的情况一样,如果未提供轴参数,则输入数组将展开。

Numpy.delete(arr, obj, axis)

参数说明:

  • arr:输入数组
  • obj:可以被切片,整数或者整数数组,表明要从输入数组删除的子数组
  • axis:沿着它删除给定子数组的轴,如果未提供,则输入数组会被展开
import numpy as np

a = np.arange(12).reshape(3, 4)
print(第一个数组:)
print(a)
print(
)

print(未传递 Axis 参数。 在插入之前输入数组会被展开。)
print(np.delete(a, 5))
print(
)

print(删除第二列:)
print(np.delete(a, 1, axis=1))
print(
)

输出结果为:

第一个数组:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]


未传递 Axis 参数。 在插入之前输入数组会被展开。
[ 0 1 2 4 5 6 7 8 9 10 11]


删除第二列:
[[ 0 2 3]
[ 4 6 7]
[ 8 10 11]]

 

import numpy as np

print(包含从数组中删除的替代值的切片:)
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(np.delete(a, np.s_[::2]))

输出结果为:

包含从数组中删除的替代值的切片:
[ 2  4  6  8 10]

numpy.unique

numpy.unique 函数用于去除数组中的重复元素。

numpy.unique(arr, return_index, return_inverse, return_counts)
  • arr:输入数组,如果不是一维数组则会展开
  • return_index:如果为true,返回新列表元素在旧列表中的位置(下标),并以列表形式储
  • return_inverse:如果为true,返回旧列表元素在新列表中的位置(下标),并以列表形式储
  • return_counts:如果为true,返回去重数组中的元素在原数组中的出现次数
import numpy as np

a = np.array([5, 2, 6, 2, 7, 5, 6, 8, 2, 9])
print(第一个数组:,a)
print(
)

u = np.unique(a)
print(第一个数组的去重值:,u)
print(
)

u, indices = np.unique(a, return_index=True)
print(去重数组的索引数组:,indices)
print(
)

print(我们可以看到每个和原数组下标对应的数值:,a)
print(
)

u, indices = np.unique(a, return_inverse=True)
print(去重数组的下标:,u)
print(
)

print(下标为:,indices)
print(
)

print(使用下标重构原数组:,u[indices])
print(
)

u, indices = np.unique(a, return_counts=True)
print(返回去重元素的重复数量:,u)
print(indices)

输出结果为:

第一个数组: [5 2 6 2 7 5 6 8 2 9]


第一个数组的去重值: [2 5 6 7 8 9]


去重数组的索引数组: [1 0 2 4 7 9]


我们可以看到每个和原数组下标对应的数值: [5 2 6 2 7 5 6 8 2 9]


去重数组的下标: [2 5 6 7 8 9]


下标为: [1 0 2 0 3 1 2 4 0 5]


使用下标重构原数组: [5 2 6 2 7 5 6 8 2 9]


返回去重元素的重复数量: [2 5 6 7 8 9]
[3 2 2 1 1 1]

 

 

以上是关于Numpy | 12 数组操作的主要内容,如果未能解决你的问题,请参考以下文章

对数据进行去均值并转换为 numpy 数组

Python NumPy 学习记录数组操作

如何有效地操作一个大的numpy数组

乐哥学AI_Python:Numpy索引,切片,常用函数

如何创建片段以重复变量编号中的代码行

NumPy入门讲座:实战演练